Cómo controlar el voraz apetito energético de la IA

Mientras saboreo un café en mi apartamento de Berlín y le lanzo una pregunta al chatbot de Inteligencia Artificial (IA) de Google, Gemini, es fácil no pensar en la energía que se necesita para generar una respuesta. Una vez que la señal llega a mi router, supongo que se desplaza a toda velocidad a través de cables de cobre o de fibra óptica hasta uno de los centros de procesamiento de datos de Google. En algún lugar dentro de los laberínticos pasillos del centro de datos, repletos de procesadores apilados, mi consulta se convierte en números y se somete a miles de millones de cálculos para determinar el contexto y el significado. La respuesta, una vez elaborada, vuelve a toda velocidad, en un abrir y cerrar de ojos.

Los centros de procesamiento de datos —el corazón de Internet, que alimenta todo, desde el correo electrónico hasta las búsquedas en la web— existen desde hace décadas, pero con la creciente popularidad de la IA para generar texto, imágenes y vídeo consumen más energía que nunca. Según las propias estimaciones de Google, procesar una solicitud de texto de longitud promedio con su asistente de IA Gemini consume alrededor de 0,24 vatios-hora.

Estas cantidades, pequeñas por sí solas —0,24 vatios-hora equivalen a ver la televisión durante unos nueve segundos—, se acumulan rápidamente. En marzo de 2026, OpenAI estimó que más de 900 millones de personas utilizan su chatbot de IA, ChatGPT, cada semana, lo que suma miles de millones de consultas diarias.

La cantidad exacta de electricidad que consumen los centros de procesamiento de datos, a nivel mundial o en Estados Unidos, que alberga más de estos centros que cualquier otro país, no es revelada públicamente por todas las empresas tecnológicas, afirma Eric Masanet, de la Universidad de California en Santa Bárbara, que investiga la sostenibilidad de los centros de procesamiento de datos. Pero según las estimaciones más recientes de la Agencia Internacional de la Energía, los centros de procesamiento de datos estadounidenses consumieron unos 224 teravatios-hora de electricidad en 2025, más del 5 % del consumo eléctrico del país. Se trata de un aumento significativo con respecto al 1,9 % estimado en 2018, mucho antes del auge generalizado de la IA generativa.

Este consumo eléctrico parece destinado a dispararse. En la carrera por asegurar el liderazgo del mercado de productos de IA generativa, empresas como Google, Meta, Amazon, OpenAI, Anthropic, Microsoft y Oracle están invirtiendo entre decenas y cientos de miles de millones de dólares para construir centros de procesamiento de datos centrados en la IA. En comparación con los centros de procesamiento de datos de la época anterior a la IA, que consumían, digamos, 100 megavatios de electricidad —suficiente para abastecer a 83.000 hogares con una demanda promedio—, los nuevos centros suelen ser de “hiperescala” y pueden consumir un gigavatio o más, lo que equivale aproximadamente a una décima parte de la capacidad eléctrica de Los Ángeles.

Masanet y otros expertos se han alarmado al ver que gran parte de esta demanda se satisface con centrales que funcionan con combustibles fósiles, como el gas, cuya combustión libera dióxido de carbono que contribuye al calentamiento global. Una razón clave es que los centros de procesamiento de datos suelen construirse en lugares que carecen de fuentes abundantes de energía renovable, como la hidroeléctrica, la geotérmica, la solar o la eólica.

Las empresas tecnológicas suelen compensar las emisiones invirtiendo en energía renovable en otros lugares. Pero, a menos que esas plantas de energía limpia generen más energía de la que consumen los centros de procesamiento de datos, esta estrategia —en el mejor de los casos— mantiene las emisiones de CO_₂ de los centros en un punto muerto en lugar de reducirlas a un saldo neto de cero, algo importante para detener el calentamiento global. “Por cada megavatio para el que instalamos energía de combustibles fósiles nos hace retroceder en nuestro progreso”, dice Masanet.

Y eso sin tener en cuenta los recursos dedicados a fabricar el hardware que llena los nuevos centros de procesamiento de datos, ni el impacto en las comunidades que viven cerca de ellos, que a menudo sufren la contaminación atmosférica y acústica de las plantas de gas y la posible presión sobre los recursos hídricos locales, que se utilizan para refrigerar los centros de procesamiento de datos.

Aunque las previsiones sobre el impacto energético de la IA siguen siendo tremendamente complicadas, sobre todo porque el alcance de los beneficios de las inversiones en IA es incierto, los expertos tienen claro que se necesitan urgentemente estrategias de ahorro energético. Sin ellas, según una estimación para 2025, los centros de procesamiento de datos de EE.UU. podrían llegar a emitir pronto el equivalente a entre 24 y 44 megatoneladas de CO_₂ al año, cifra equivalente a las emisiones anuales de Noruega.

Por ello, los informáticos e ingenieros están replanteándose algunos de los componentes de hardware y software que consumen mucha energía y que alimentan la IA. Están trabajando para desarrollar algoritmos y diseños de procesadores que ahorren energía, y están considerando cuidadosamente dónde y cómo se construyen los centros de procesamiento de datos.

“El costo energético de la IA no es casual: se debe básicamente a la forma en que están diseñados nuestros sistemas”, afirma Fengqi You, experto en sistemas energéticos de la Universidad de Cornell. Sin embargo, añade, con la combinación adecuada de soluciones, “podríamos cambiar realmente el rumbo”.

Las raíces del problema energético de la IA

Para comprender el costo energético de la IA, resulta útil entender los modelos de lenguaje a gran escala (LLM, por sus siglas en inglés), el alma de las herramientas de generación de texto de la IA, como los chatbots y los asistentes de IA, concretamente aquellos basados en un diseño descrito en 2017 por el laboratorio de aprendizaje automático Google Brain. Este diseño, la arquitectura Transformer o transformador, puede procesar texto a la velocidad del rayo al tomar simultáneamente cada palabra y sopesar su relación con todas las demás palabras que encuentra. “Aprende” qué palabras van juntas calculando la fuerza con la que cada palabra se relaciona con todas las demás palabras de un texto, examinando cada palabra en múltiples contextos. (Se utiliza un diseño similar para los generadores de imágenes y vídeos de IA).

A nivel computacional, esto ocurre al convertir palabras o fragmentos de palabras en números y realizar sumas y multiplicaciones entre ellos. La clave de la velocidad radica en poder realizar estos cálculos en paralelo, lo cual es posible gracias a las unidades de procesamiento gráfico (GPU) —fabricadas en su mayoría por la empresa NVIDIA— inventadas originalmente para el renderizado rápido de imágenes en 3D de los videojuegos.

El entrenamiento inicial de un LLM, necesario para aprender todas estas relaciones, consume enormes cantidades de energía. Dado que cada palabra con la que se entrena debe compararse con todas las demás en un fragmento de texto determinado, el número de cálculos que realiza el modelo —y, por tanto, la energía requerida— aumenta cuadráticamente en relación con la longitud del texto (es decir, duplicar la longitud del texto cuadruplica el número de cálculos). Esto se acumula rápidamente, dado que la mayoría de los LLM se entrenan con enormes cantidades de texto disponible públicamente en Internet. Algunas estimaciones sugieren que el entrenamiento de GPT-4 —la versión de ChatGPT lanzada en 2023— consumió entre 50 y 60 gigavatios-hora de electricidad, suficiente para abastecer de energía a San Francisco durante tres o cuatro días.

Pero a los expertos les preocupa más el costo energético de utilizar los modelos para generar datos una vez que han sido entrenados, un proceso denominado “inferencia”. “Se entrena una vez y luego se realizan inferencias para mil millones de personas en el mundo”, afirma Mosharaf Chowdhury, experto en sistemas de IA de la Universidad de Míchigan que ha estado midiendo el consumo eléctrico de varios modelos de lenguaje a gran escala que se han puesto a disposición del público.

Este proceso es sorprendentemente ineficiente: cada vez que los modelos transformadores generan una palabra —seleccionando la que tiene mayor probabilidad de seguir a la palabra anterior, dado el contexto—, pasan la consulta y la respuesta parcialmente escrita por el modelo. Al hacerlo, aplican todos los parámetros que han calculado durante el entrenamiento para comprender los patrones del lenguaje —que ascienden a cientos de miles de millones o incluso billones—.

“El hecho de que haya que hacer tantos cálculos para añadir una sola palabra es un problema”, afirma Günter Klambauer, experto en IA de la Universidad Johannes Kepler de Austria.

Ajustar el software de IA para ahorrar energía

Esta constatación ha despertado el interés por modelos de lenguaje más pequeños y especializados en tareas específicas. Estos se entrenan de forma más específica, tienen menos parámetros —digamos, decenas o cientos de millones— y realizan un número de cálculos sustancialmente menor que los modelos más grandes. En un artículo de 2025 publicado por la UNESCO, la informática Ivana Drobnjak, del University College de Londres, y sus colegas compararon el consumo energético del modelo lingüístico Llama-3.1 de Meta con el de modelos de IA más pequeños dedicados a tareas concretas —los denominados DistilBART y t5-small-xsum para la síntesis, y otros para la traducción o la respuesta a preguntas—. Cuando se utilizaban para sus respectivas tareas, los modelos más pequeños consumían más de un 90 % menos de energía que Llama 3.1 en el mismo trabajo.

Por ello, los informáticos se han visto impulsados a incorporar un tipo similar de especialización de tareas en los propios LLM. En los modelos de “mezcla de expertos”, solo se activan partes concretas de un gran modelo para determinadas tareas. Estas partes “aprenden a manejar diferentes patrones en el lenguaje”, afirma Drobnjak.

Se cree que esta es una de las razones por las que R1, un LLM desarrollado por la empresa china DeepSeek, consumió, según se informa, una cantidad de energía significativamente menor que otros modelos (aunque expertos independientes han planteado dudas sobre esas cifras). Udit Gupta, experto en ingeniería eléctrica e informática de Cornell Tech, afirma que los LLM como Gemini o ChatGPT también están dirigiendo las consultas a submodelos más especializados. “Se está trabajando mucho en cómo evaluar la complejidad de la consulta o tarea que proviene de los usuarios y, a continuación, encontrar el modelo adecuado”, afirma Gupta. (Aunque el portavoz de Google, Ralf Bremer, señala que los 0,24 vatios-hora que se gastan actualmente en procesar indicaciones de longitud media en Gemini ya son 33 veces más eficientes que en 2024, algunos expertos sospechan que procesar consultas con un LLM sigue consumiendo más energía que una búsqueda web equivalente).

Los científicos también están explorando diferentes tipos de LLM para romper lo que Klambauer denomina la “maldición cuadrática” de los modelos transformadores.

Una alternativa, denominada modelo de memoria a corto plazo larga (LSTM, por sus siglas en inglés), sortea este alarmante aumento de energía almacenando temporalmente una especie de resumen de la solicitud introducida por el usuario más el texto generado hasta ese momento, de forma similar a recordar puntos importantes de la trama en lugar de toda una película. De ese modo, solo tiene que procesar el resumen, en lugar de todas las palabras del texto completo hasta la fecha, cada vez que genera una nueva palabra. Esto evita que los costos energéticos de LSTM se disparen al responder a una consulta —utiliza aproximadamente un 50 % menos de energía que los modelos de tipo Transformer para procesar textos de unas 8.000 palabras de longitud, afirma Klambauer—.

Los modelos LSTM se desarrollaron en los años noventa, pero se abandonaron porque los modelos de tipo Transformer podían entrenarse mucho más rápido. Sin embargo, Klambauer afirma que los avances recientes han mejorado el rendimiento de LSTM, ahora denominado xLSTM. Está trabajando con la startup austriaca NXAI para seguir desarrollando y optimizando xLSTM, “porque creemos que merece la pena por la eficiencia energética”, afirma.

Pero las grandes empresas tecnológicas han invertido tantos años y recursos en el desarrollo de modelos basados en transformadores que cambiar a otros modelos resultaría costoso, afirma Wolfgang Maaß, investigador de IA e informática empresarial en el Centro Alemán de Investigación en Inteligencia Artificial. “Tendremos que ver si esto llega a ser tan dominante o si encuentra un nicho en el mercado global”.

Únase al canal de WhatsApp de Knowable en español

Haga clic aquí

Computación con obleas y luz

Aunque los expertos afirman que el ahorro energético más rápido provendrá de ajustes en el software, algunos también están poniendo el punto de mira en los chips de procesamiento, grandes consumidores de energía, que alimentan los cálculos de IA. Con el tiempo, los ingenieros han logrado que los chips sean cada vez más eficientes al concentrar más capacidad de cálculo en procesadores individuales, lo que reduce la energía necesaria para transferir datos entre chips que trabajan juntos para realizar cálculos de IA. Los ingenieros lo han conseguido reduciendo el tamaño de los transistores —interruptores eléctricos microscópicos que procesan datos— dentro de los chips.

Pero dado que los ingenieros están llegando a los límites físicos del tamaño que pueden alcanzar los transistores, “tenemos que pensar en ideas alternativas para mejorar los diseños”, afirma el arquitecto informático Ajay Joshi, del Centro de Fotónica de la Universidad de Boston.

Una estrategia consiste en fabricar chips más grandes. Los “chips a escala de oblea”, del tamaño de un plato llano, pueden albergar casi 70 veces más transistores que una sola GPU del tamaño de un sello postal y consumen 143 veces menos electricidad para la comunicación que las GPU comparables, afirma el ingeniero informático Rakesh Kumar, de la Universidad de Illinois en Urbana-Champaign. Fabricados comercialmente por la empresa californiana Cerebras, los chips a escala de oblea tienen inconvenientes, entre ellos un mayor riesgo de sufrir daños durante la fabricación. Pero debido a su ahorro energético y otras características beneficiosas, “resultarían muy atractivos para muchos hiperescaladores y empresas de IA”, afirma Kumar.

Muchas empresas tecnológicas han mejorado la eficiencia energética diseñando sus propios procesadores a medida para cálculos de IA —como el chip Trainium2 de Amazon Web Services o las unidades de procesamiento tensorial Ironwood de Google—, según declaraciones de dichas empresas. En cuanto a NVIDIA, el director de sostenibilidad de la empresa, Josh Parker, afirma que sus GPU especializadas en IA han avanzado mucho con respecto a las que se utilizan para los videojuegos y ahora están diseñadas para ejecutar tareas de IA de la forma más eficiente posible; otras innovaciones, como hacer más eficientes las interconexiones entre las GPU, también han contribuido a ello. “En los últimos ocho años, las GPU de NVIDIA han mejorado 45.000 veces su eficiencia energética para cargas de trabajo de modelos de lenguaje a gran escala”, afirma.

Los ingenieros también están explorando métodos de computación alternativos. Los procesadores de IA convencionales calculan codificando números en un sistema binario de unos y ceros, lo que se consigue activando y desactivando transistores (representar el número 5, por ejemplo, requiere cuatro transistores para representar el código 0101). Pero los transistores pueden hacer más que funcionar como interruptores binarios que permiten o no el flujo de electrones; también pueden funcionar como diales analógicos y mantener voltajes intermedios que representan diferentes números. Eso requiere menos transistores y menos energía para los cálculos. “La gente sabe desde hace décadas que hacer ciertas cosas en analógico… puede ser mucho más eficiente energéticamente”, afirma Kumar.

Por ejemplo, el ingeniero eléctrico Paul Manea, del instituto de investigación alemán Forschungszentrum Jülich, y sus colegas están trabajando en el desarrollo de dispositivos llamados “celdas de ganancia” que están repletas de transistores que funcionan de esta manera. Es importante destacar que las celdas de ganancia pueden tanto almacenar los datos necesarios para procesar una consulta como calcular la respuesta. Esto supera otro gran cuello de botella energético de los sistemas informáticos convencionales, en los que el almacenamiento en memoria y el cálculo se producen en componentes de hardware separados.

Esto resulta especialmente problemático para los LLM basados en transformadores, ya que cada vez que generan una palabra, deben trasladar la consulta y la respuesta parcialmente escrita desde la memoria al procesador. Manea y sus colegas estiman que las celdas de ganancia, en lugar de las GPU tradicionales, pueden reducir en cuatro órdenes de magnitud el consumo energético de una de las partes que más energía consumen de los LLM basados en transformadores. Pero será necesario seguir perfeccionándolas antes de que puedan utilizarse más ampliamente, afirma Manea.

La noción de dispositivos que almacenan y procesan información es una idea clave de la computación “neuromórfica”, un campo emergente de la ingeniería informática inspirado en el cerebro humano, que consume energía en órdenes de magnitud mucho menores que las computadoras. Otro invento inspirado en el cerebro son los chips que codifican la información no en flujos de datos continuos, sino —al igual que las células nerviosas humanas— en la sincronización de los “picos” de voltaje que se propagan por el sistema. Permitir que los componentes descansen hasta que se necesiten “podría traducirse potencialmente en un menor consumo de energía”, afirma Eleni Vasilaki, experta en aprendizaje automático bioinspirado de la Universidad de Sheffield, en Inglaterra.

Maaß, por ejemplo, forma parte de un equipo que recibió aproximadamente 5,8 millones de dólares del Gobierno alemán para probar chips neuromórficos, entre otras estrategias, con el fin de reducir la energía necesaria para los modelos de IA. Algunos chips inspirados en el cerebro ya están disponibles en el mercado, pero la tecnología aún está lejos de resultar atractiva para la informática convencional, afirma el experto en nanoelectrónica Tony Kenyon, del University College de Londres, cuyo equipo recibió recientemente 17 millones de dólares del Gobierno británico para desarrollar la computación neuromórfica.

Otros científicos están desarrollando chips que procesan la información no con electrones, sino a través de la interacción de fotones —partículas de luz— con la materia (los cables de fibra óptica, que codifican y transmiten datos como pulsos de luz, se utilizan en todo el mundo). Con los fotones se puede transmitir más información al mismo tiempo y las señales se pueden modificar mucho más rápido, afirma Elena Goi, investigadora en computación fotónica de la Universidad Friedrich Schiller de Jena, en Alemania.

Varias empresas han desarrollado chips capaces de realizar algunos cálculos de IA, mediante métodos ópticos, afirma Joshi; él recientemente estimó que la fabricación de chips ópticos podría consumir hasta un orden de magnitud menos de energía que los convencionales del mismo tamaño. Joshi espera que, “en 10 años, tengamos una solución práctica que pueda implementarse de forma generalizada en los centros de procesamiento de datos”.

Reformular la trayectoria energética de la IA

Incluso sin reinventar el funcionamiento de las computadoras, se puede hacer mucho para reducir el impacto de la IA no solo en la energía, sino también en los recursos hídricos utilizados para la refrigeración de los centros de procesamiento de datos. Es importante destacar que las empresas tecnológicas deberían reconsiderar dónde construyen esos centros, afirma el experto en sistemas energéticos You. En la actualidad, los centros existentes en EE.UU. se concentran en el norte de Virginia, que cuenta con recursos hídricos y capacidad de energía renovable limitados en comparación con el Medio Oeste, por ejemplo. You estimó recientemente que una mejor ubicación —junto con hardware y software energéticamente eficientes— podría reducir la huella de carbono y la huella hídrica futuras de los centros de procesamiento de datos estadounidenses en un 73 % y un 86 %, respectivamente.

Masanet añade que las empresas tecnológicas que ya cuentan con centros de procesamiento de datos en todo el país podrían, al menos, entrenar sus modelos en lugares estratégicos. “Algunas empresas, como Google, ya lo están haciendo: desplazan sus cargas para seguir las energías renovables”, afirma. También deberían abordar el consumo de electricidad y los recursos empleados en la fabricación de procesadores para los nuevos centros de procesamiento de datos, así como los residuos electrónicos, ya que la tecnología obsoleta se sustituye cada pocos años, añade.

Minimizar los residuos electrónicos utilizando el hardware durante más tiempo y recuperando los aparatos electrónicos antiguos es una de las estrategias de sostenibilidad de Amazon, según una declaración dada a Knowable Magazine; también lo es diseñar centros de procesamiento de datos de forma que ahorren energía y agua e invertir en una serie de proyectos de energía renovable y nuclear. “Seguiremos implementando soluciones que beneficien a nuestros clientes y a las comunidades en las que operamos”, afirma Brandon Oyer, responsable de energía y agua de Amazon Web Services en América.

Por su parte, un representante de prensa de Microsoft destaca una serie de iniciativas de sostenibilidad que ha puesto en marcha la empresa, entre las que se incluyen nuevas tecnologías de refrigeración, inversiones en energías renovables y la reducción de residuos. El portavoz de Google, Ralf Bremer, hizo hincapié en el objetivo de la empresa de alcanzar emisiones netas cero en todas sus operaciones para 2030 y de reponer el 120 % del agua dulce consumida por sus oficinas y centros de procesamiento de datos para ese mismo año. Un representante de OpenAI señaló un comunicado de prensa en el que se describen los esfuerzos para minimizar el consumo de agua y los planes de generación de energía solar en uno de sus campus. Anthropic, Meta y Oracle no respondieron a las solicitudes de comentarios antes de la fecha límite.

Aunque las empresas tecnológicas están teniendo en cuenta la sostenibilidad, su principal objetivo es ampliar rápidamente la capacidad de los centros de procesamiento de datos, afirma el ingeniero informático Benjamin Lee, de la Universidad de Pensilvania. Lee prevé que, con el tiempo, tendrán que intensificar sus esfuerzos para mejorar la eficiencia energética y reducir los costos. Los gobiernos deberían ayudar a acelerar este cambio, afirma Masanet. Hasta ahora, él y su equipo han contabilizado cerca de 220 políticas presentadas para abordar la sostenibilidad de los centros de procesamiento de datos a nivel estatal en EE.UU., 18 a nivel federal y otras más en otros países, aunque no todas fueron finalmente adoptadas.

“Está claro que los gobiernos de todo el mundo están empezando a tomar medidas”, afirma. Sin embargo, añade, “también vemos que algunos gobiernos estatales y locales han propuesto políticas que, en su mayoría, tienen como objetivo incentivar y acelerar la construcción de centros de procesamiento de datos”.

El costo energético de la IA será, en última instancia, una cuestión de equilibrio: ¿ahorrará más recursos gracias a sus capacidades de resolución de problemas —aplicadas a todo, desde la búsqueda de curas para el cáncer hasta la mejora de la logística— de los que consume? Pero, aunque es importante crear una IA más frugal y que ahorre energía, también lo es considerar cuidadosamente dónde se necesita la IA, afirma Kenyon. ¿Es el mundo realmente un mejor lugar, por ejemplo, con “agentes de IA” no humanos que prestan atención al cliente?

“Creo que es un error común, cuando surge una nueva tecnología, pensar de repente: ‘Bueno, todo tiene que adoptar esa nueva tecnología’”, afirma. “Ese enfoque realmente no nos beneficia en absoluto”.

Artículo traducido por Debbie Ponchner